Back to blog

    为 AI 提取工程图纸和工程量清单数据

    标准 OCR 为什么无法处理工程图纸和工程量清单,以及如何构建一条提取流水线,产出结构化的 AI 训练数据。

    A pale astronomical impression in graphite and copper, with a soft amber penumbra on warm paper.A copper-engraved planetary limb with an amber atmosphere and a sweeping orbital band.

    工程图纸和工程量清单是每个建筑项目信息密集的骨干。从机器学习角度来看,它们也是最难解析的文档之一。

    如果你试图为建筑行业构建领域专用 AI——估算模型、规格搜索系统、合规检查器——第一个障碍不是模型。而是从文档中提取训练数据。

    为什么工程图纸破坏标准 OCR

    符号密集内容。 标准 OCR 模型没有专用符号的训练数据。

    多布局页面。 单张 A1 图纸可能包含平面视图、剖面图、标题栏、修订历史和一般注释。

    注释层。 CAD 导出的 PDF 包含尺寸、注释和引线,位于与主图几何不同的层上。

    工程量清单为什么不同(也很难)

    工程量清单是高度结构化的表格数据,但以建筑行业特有的方式结构化。

    混合 PDF 格式。 表格结构可能在屏幕上看起来完美,但在 PDF 中表示为任意 X-Y 坐标处的断开文本片段。

    多页项目描述。 复杂的工程量清单项目描述可能跨越三四行。页面断行中断项目描述。

    提取流水线

    阶段 1:文档分类。 阶段 2:图纸提取。 阶段 3:工程量清单提取。 阶段 4:交叉引用链接。 阶段 5:质量评分。

    结构化输出示例

    Code example
    {
      "item_code": "03.04.12",
      "description": "钢筋混凝土,等级 C35/45,地面以上柱中,含模板、振捣和养护",
      "quantity": 127.5,
      "unit": "m3",
      "drawing_refs": ["S-201", "S-202", "D-C-04"],
      "section": "结构混凝土",
      "division": "下部结构"
    }

    为什么这必须在本地完成

    建筑公司不能将大型项目档案发送到云 API 进行处理。文档包含商业敏感的数量、费率和规格。700GB 的文档档案不是你通过 API 运行的批处理任务。

    提取流水线应完全在本地机器上运行。